Predição do consumo específico de combustível do harvester utilizando modelos lineares mistos e redes neuronais artificiais

• Ano de defesa: 2018
• Autor(a) principal: Santos, Larissa Nunes dos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Máquinas florestais - Consumo de combustível; Máquinas florestais - Custo operacional - Programas de computador; Madeira - Exploração - Máquinas; Madeira - Exploração - Custos; Estatística; Redes neurais (Computação); Máquinas e Implementos Agrícolas
• Link de acesso: http://www.locus.ufv.br/handle/123456789/20381

O consumo de combustível de máquinas florestais é um dos componentes mais impactantes nos custos de colheita florestal e, por isso, grande importância é dada à sua redução. Objetivou-se com este trabalho predizer o consumo especifico de combustível do harvester em função de variáveis climáticas, dendrométricas e operacionais, utilizando modelos lineares mistos (MLM) e redes neuronais artificiais (RNA). Foi utilizado um harvester John Deere 1270E para derrubar e processar as árvores em toras. Os dados foram obtidos através do software instalado no computador de bordo da máquina TimberMatic (John Deere) e do Boletim de Apropriação de Equipamento (BAE). As variáveis contínuas utilizadas foram: diâmetro médio da tora e ângulo frontal da máquina. As categóricas: local de corte, tipo de manejo da floresta, clima, turno de trabalho, combinação de rotação do motor e nível de treinamento do operador. O consumo especifico de combustível foi usado como a variável resposta. No modelo linear misto os dados foram agrupados dentro da variável operador e, portanto, esta variável foi incluída como um intercepto aleatório. Para o emprego de RNA o banco de dados foi dividido aleatoriamente em: 70% dos dados para treinamento e 30% para validação das redes. O treinamento foi o do tipo supervisionado, o algoritmo de aprendizagem utilizado foi o resilient- propagation e a função de ativação usada na camada oculta e de saída foi a sigmoide. Para verificar a qualidade do MLM foram usados o Critério de informação de Akaike (AIC) e o coeficiente de determinação baseado no teste ). Como medidas de avaliação dos resultados da razão de verossimilhança (R LR gerados pelas redes, foi utilizada a correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RQEM), o erro relativo percentual médio e a distribuição de frequência dos erros relativos percentuais. Para comparar os resultados gerados pelo MLM e a RNA foram utilizados o erro relativo percentual e a RQEM, além da distribuição dos erros. O valor R LR obtido para a MLM selecionada foi de 0,84. A rede que obteve menor RQEM na validação foi a que continha oito neurônios na camada escondida. A RQME encontrada para a RNA e MLM foi de 17,6189 e 20,9686 respectivamente, indicando maior exatidão na estimativa do consumo específico de combustível do harvester pela RNA. O MLM e RNA são eficientes na estimativa do consumo específico de combustível do harvester, com ligeira superioridade (exatidão) para a rede neuronal.